《LDAHash: Improved Matching with Smaller Descriptors》阅读笔记

最新推荐文章于 2023-05-14 00:09:30 发布
原创 最新推荐文章于 2023-05-14 00:09:30 发布 · 967 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

论文《LDAHash: Improved Matching with Smaller Descriptors》提出了一种线性判别分析（LDA）哈希方法，生成的汉明码长度减小10-20倍，同时提高图像匹配准确性。即使在视角变化大的情况下，仍能识别为同一类别。主要步骤包括投影矩阵选择、阈值设定和二值化。实验表明，LDAHash在保持高匹配率的同时，降低了描述符长度。

      论文中提出了一种LDAHashing（Linear Discriminant Analysis )， 比之前的哈希算法产生的汉明码短了10-20倍，并且更好的匹配相关图片。在同一个视图，不同的角度这种情况下，即使欧拉空间显示距离距离非常大，但仍然被识别为同一类。


步骤

1.投影矩阵

2.阈值选择


定义一个距离度量对于那些在正例里面的数据，数据点据小于R。在负例里面的数据点距大于R。

可构造该损失函数：


其实α控制FP和FN。


</

最低0.47元/天 解锁文章
UG\NX二次开发 多少词汇量才能无障碍阅读开发帮助
王牌飞行员_里海的博客
04-24 2942
大家都知道UFUN的帮助是英文的，有的开发者抱怨看不懂，还有的开发者为了能看懂接口说明专门学英语，那么英语学成什么程度就能无障碍阅读接口文档？我比较好奇，所以专门将UF_MODL部分的ufun函数的接口说明，提取出单词以作统计。大家猜一猜无障碍阅读UF_MODL部分的内容，需要多少词汇量储备呢？
笔记：PoseCNN:A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes
kadima_WEI的博客
12-23 1512
一种新的用于6D物体姿态估计的卷积神经网络PoseCNN
哈希检索方面的论文、代码和数据集Learning to Hash Paper, Code and Dataset
GarfieldEr007的专栏
05-08 6127
Learning to Hash Paper, Code and Dataset Table of Content Introduction Tutorial Slides Data-Independent Method Learning to Hash Method (Data-Depende
大数据的哈希学习：入门教程 － 引子
weixin_33720452的博客
03-02 902
翻译自 Learning to Hash for Big Data: A Tutorial。 引子 大数据中的最近邻搜索 最近邻搜索（Nearest Neighbor Search）：给定查询点 q，返回数据库中距离 q 最近（最相似）的点集。 Facebook：7.5 亿用户 Flickr：6 千万照片 Wal-Mart: 每天 2.67 亿商品；4PB 数据仓库 Sloan Digital ...
LDA-原理解析
热门推荐
weixin_NineDays66
09-07 9万+
前言 在之前的一篇博客机器学习中的数学(7)——PCA的数学原理中深入讲解了，PCA的数学原理。谈到PCA就不得不谈LDA，他们就像是一对孪生兄弟，总是被人们放在一起学习，比较。这这篇博客中我们就来谈谈LDA模型。由于水平有限，积累还不够，有不足之处还望指点。下面就进入正题吧。 为什么要用LDA 前面的博客提到PCA是常用的有效的数据降维的方法，与之相同的是LDA也是一种将数据降维的方法。P...
LDA(二) 文本聚类
蕾姆的博客
12-17 4019
一、算法原理：使用Kmeans进行聚类 二、算法流程： 1. 对给定的语料先分词，得到分词后的语料； 2. 构造词典，corpus_tfidf, 最后构造 corpus_lda 3. Kmeans聚类，pred 是对语料的聚类结果列表。 pred = kmean.predict(tfidf_vec) #!/usr/bin/python # -*- coding:utf8 -*- ...
特征哈希（Feature Hashing）
wanglyPKU的博客
07-08 1万+
特征哈希（Feature Hashing） Nov 20, 2014 在特征处理（Feature Processing）中我介绍了利用笛卡尔乘积的方法来构造组合特征。这种方法虽然简单，但麻烦的是会使得特征数量爆炸式增长。比如一个可以取N个不同值的类别特征，与一个可以去M个不同值的类别特征做笛卡尔乘积，就能构造出N*M个组合特征。 特征太多这个问题在具有个性化的问题里尤为突出。如果
论文阅读：FlowNet 2.0: Evolution of Optical Flow Estimation with Deep Networks
j879159541的博客
09-20 1199
文章目录1. 论文总述2. 利用CNN预测光流的另一种思路3. 通过堆叠网络来进行光流估计优化的idea来源4. FlyingThings3D (Things3D) dataset5. The order of presenting training data with different properties matters.6. 堆叠两个相同网络时（FlowNetS）7. 堆叠不同的网络结构（FlowNetC+FlowNetS,或者3/8 通道数的FlowNetS）8. FlowNet-CSS的训练好像
acpi控制笔记本风扇转速
04-16
Fixed a problem with a possible race condition between threads executing AcpiWalkNamespace and the AML interpreter. This condition was removed by modifying AcpiWalkNamespace to (by default) ignore all...
图像检索
LeeWei
12-14 2500
Table of contents: https://github.com/czxxjtu/Hash-Learning.github.io IntroductionCategories Data-Independent MethodData-Dependent Method Unsupervised HashingSupervised HashingRanking-based
【论文速递】“基于自适应辐射环编码柱状图大尺度和旋转不变性的模板匹配”
greedy_apple的博客
06-03 995
本文用以记录研究僧生涯课题相关内容，主要是对论文进行翻译，再次对论文作者表示尊敬！ 本篇论文在模板匹配方向取得了很不错的成果，可惜的是没有开源` 论文题目： Pattern recognition 2019 ：Large-scale and rotation-invariant template matching using adaptive radial ring code histograms...
LDA-线性判别分析原理及实战
Andy_shenzl的博客
04-26 1817
LDA，这里的LDA是指Linear Discriminant Analysis，即线性判别分析，不是主题模型的LDA 主要是用来进行降维分析的一种方法，在工作学习中用的更多的可能是PCA来降维，LDA跟PCA的区别在于LDA是有监督的一种降维方法。 背景 为什么要降维呢？ 这里面涉及到另一个话题，叫维度灾难：http://www.visiondummy.com/2014/04/curse...
读《Improved Deep Hashing with Soft Pairwise Similarity for Multi-label Image Retrieval》
weixin_40459958的博客
05-14 344
现有的传统哈希只要至少一个标签匹配就算事，所以如图的例子中，a-b和a-c都算匹配的这就没辙top1排序多标签对的相似度，于是针对每个图像所持有的语义标签提出了成对相似性的软定义。具体来说，使用归一化语义标签将成对相似性量化为百分比。（贡献1）于是提出两种相似度，硬相似度考虑所有标签都匹配，所以用交叉熵学习；软相似度考虑部分标签匹配，所以用均方误差（贡献2）
海量数据相似度计算之simhash和海明距离
Lanceyan
08-25 5989
通过 采集系统 我们采集了大量文本数据，但是文本中有很多重复数据影响我们对于结果的分析。分析前我们需要对这些数据去除重复，如何选择和设计文本的去重算法？常见的有余弦夹角算法、欧式距离、Jaccard相似度、最长公共子串、编辑距离等。这些算法对于待比较的文本数据不多时还比较好用，如果我们的爬虫每天采集的数据以千万计算，我们如何对于这些海量千万级的数据进行高效的合并去重。最简单的做法是拿着待比较的文本
线性判别分析LDA原理总结
zhyw0601的博客
04-07 4029
转自http://www.cnblogs.com/pinard/p/6244265.html 　在主成分分析（PCA）原理总结中，我们对降维算法PCA做了总结。这里我们就对另外一种经典的降维方法线性判别分析（Linear Discriminant Analysis, 以下简称LDA）做一个总结。LDA在模式识别领域（比如人脸识别，舰艇识别等图形图像识别领域）中有非常广泛的应用，因此我们有
ldap之openlda的安装(Centos) |第一章-yellowcong
01-15 668
Ldap是一个树状的用户管理数据库，很多服务都是支持ldap做认证的，这种方法可以和sso整合到一起，这样既满足的web服务的单点登陆，也解决了cs架构的用户认证。ldap的选型也有很多，我们使用的是开源的openldap。本文讲解了ldap的安装，配置，以及简单使用。
LDA的通俗理解
fengyinhesystem的博客
08-11 6168
1.PLSA模型 在讲解LDA模型之前，与LDA模型最为接近的便是下面要阐述的这个pLSA模型，给pLSA加上贝叶斯框架，便是LDA。 1.1什么是pLSA模型 我们假定一篇文档只由一个主题生成，可实际中，一篇文章往往有多个主题，只是这多个主题各自在文档中出现的概率大小不一样。比如介绍一个国家的文档中，往往会分别从教育、经济、交通等多个主题进行介绍。 假设你要写M篇文档，由于一篇文档由各个不同的词组成，所以你需要确定每篇文档里每个位置上的词。 再假定...
LDA详解
Ona_Soton的博客
01-26 1万+
LDA是一个生成式模型，是一个无监督模型 1. 输入：LDA的最小单元输入是文档，不管文档里有多少个字 2. 模型参数： ：是针对每个文档都有一个主题的概率分布，这时得到参数，是一个K维的向量，K是主题个数 ：V*K的矩阵，其中，K是主题个数，V是词库里的单词个数，矩阵中的每个位置是该单词分为某个主题的概率 （注意：LDA时无监督算法，不需要标注，数据放到模型中会自动学习每个文档的主题分布和主题的词分布，也就是模型参数） 3. 假设： 每个文档属于多个主题。 为了更好的理解LDA是一..
CMAIS-WOA: An Improved WOA with Chaotic Mapping and Adaptive Iterative Strategy
最新发布
11-07
目前给定的引用内容未涉及CMAIS - WOA这种结合混沌映射和自适应迭代策略的改进鲸鱼优化算法的相关信息。 一般来说，改进的鲸鱼优化算法（如CMAIS - WOA）往往是为了克服原始鲸鱼优化算法（WOA）在一些方面的不足。原始WOA模拟了鲸的社会行为，灵感源于泡沫网搜索策略，在求解优化问题时有一定效果，但可能存在收敛速度慢、易陷入局部最优等问题。 结合混沌映射，是因为混沌具有随机性、遍历性和规律性等特点，可以增加算法的搜索多样性，避免算法过早收敛到局部最优解。通过混沌映射对初始种群或者鲸鱼的位置更新进行扰动，使得算法在搜索空间中更全面地探索。 自适应迭代策略则是根据迭代的进程动态调整算法的相关参数，例如在迭代初期，算法可以进行大范围的全局搜索，随着迭代次数的增加，逐渐缩小搜索范围，进行精细的局部搜索，从而提高算法的收敛速度和求解精度。 CMAIS - WOA可能就是将混沌映射和自适应迭代策略融入到原始的鲸鱼优化算法中，以提升算法在解决复杂优化问题时的性能。 ### 代码示例 以下是一个简单示意的伪代码，展示CMAIS - WOA可能的框架： ```python # 初始化参数 max_iter = 100 # 最大迭代次数 pop_size = 50 # 种群大小 dim = 10 # 问题维度 lb = -10 # 变量下界 ub = 10 # 变量上界 # 初始化种群 pop = initialize_population(pop_size, dim, lb, ub) # 迭代更新 for iter in range(max_iter): # 自适应调整参数 a = adaptive_parameter(iter, max_iter) for i in range(pop_size): # 混沌映射扰动 pop[i] = chaotic_mapping(pop[i], iter) # 鲸鱼优化算法的位置更新 pop[i] = update_position(pop[i], pop, a) # 找到最优解 best_solution = find_best_solution(pop) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值